CN109447352A - 一种公交出行od矩阵反推的组合方法 - Google Patents
一种公交出行od矩阵反推的组合方法 Download PDFInfo
- Publication number
- CN109447352A CN109447352A CN201811285100.8A CN201811285100A CN109447352A CN 109447352 A CN109447352 A CN 109447352A CN 201811285100 A CN201811285100 A CN 201811285100A CN 109447352 A CN109447352 A CN 109447352A
- Authority
- CN
- China
- Prior art keywords
- matrix
- website
- bus trip
- bus
- station
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000002245 particle Substances 0.000 claims abstract description 34
- 238000013461 design Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 230000006399 behavior Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 230000010429 evolutionary process Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 2
- 230000003542 behavioural effect Effects 0.000 claims 1
- 210000005036 nerve Anatomy 0.000 claims 1
- 238000005457 optimization Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000007812 deficiency Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了公交出行OD矩阵反推的组合方法,包含了收集基本相关信息、确定基于乘客出行行为特征的OD反推矩阵、确定基于站点附近用地性质的OD反推矩阵、确定使用粒子群算法计算两种反推方法对应的权重、确定使用BP神经网络预测公交出行OD反推矩阵最终结果五个步骤。该方法充分考虑传统两种公交出行OD矩阵反推技术的优缺点,采用惯性权重线性递减的粒子群算法和BP神经网络等方法将两种OD反推方法组合运用,建立一种充分利用已有数据,综合考虑多种站点客流发生影响因素的精确度高、普适性广的公交出行OD矩阵反推的组合方法,具有重要的现实意义。
Description
技术领域
本发明涉及公交出行OD矩阵反推技术域,特别是涉及一种公交出行OD矩阵反推的组合方法,该方法为采用惯性权重线性递减的粒子群算法和BP神经网络模型等方法将两种公交出行OD矩阵反推技术组合运用的方法。
背景技术
当前我国处于城市化重要阶段,随着城市规模扩大,居民出行距离不断增加,城市机动化水平日益提高。城市地区人口密度大,对家用小汽车的鼓励刺激了城市人均机动 车保有量迅猛增长,由此带来了城市道路设施与机动车数量之间的矛盾加剧,道路拥堵 成为常态化,造成了对资源的浪费和对环境的破坏。为满足居民出行需求,提升公交服 务质量,须对公交线网进行优化设计,而公交出行OD矩阵测算是重要的技术支撑。
公交出行OD分布是描述居民出行采用公共交通方式的基础数据,也是对公交调度、 公交线网优化的重要依据。获得公交出行OD矩阵的传统方法是通过调查员跟车向乘客发放调查问卷,这种方法可以获得精确的OD数据,但耗费大量的人力、财力,调查周 期长,数据更新缓慢。近些年,有研究者从道路交通量反推交通出行OD矩阵中获得启 发,采用公交IC卡数据、车辆GPS数据、站点上下客数量等多种数据,反推公交出行 OD矩阵,在保证一定准确度的同时大大降低了公交OD调查的成本,提升了公交的运行 效率。
通过发明人的长期研究发现,目前实现公交OD矩阵反推技术的方法主要有两种,但是这两种方法均存在一定程度的不足。对于利用IC卡及车载GPS数据得到公交出行 OD矩阵的方法,由于忽略了使用非IC卡方式乘坐公交的出行者,而城市众多的流动人 口是公交服务群体中不可忽视的重要组成部分,因而该方法在结果上存在明显的偏差, 精确度不高;对于利用站点上下客数量得到公交出行OD矩阵的方法,由于仅从统计学 的角度求得站点乘客下车概率,未考虑影响站点客流发生的内在因素,因而该方法适用 范围狭窄,普适性不足。
为使公交出行OD矩阵反推技术发挥其最大的优越性,需要建立一种综合考虑多种站点客流发生影响因素的组合反推方法。经研究发现,影响站点客流发生的内在因素主 要是乘客出行行为特征和站点附件用地性质。针对不同的影响因素分别进行OD矩阵反 推,得到相应的OD矩阵,用权重表示各影响因素对公交出行OD矩阵的影响力大小,采 用惯性权重线性递减的粒子群算法求出各权重系数值,基于历史数据建立面向公交出行 OD矩阵的BP神经网络模型,以此建立公交出行OD矩阵反推的组合方法,使公交出行 OD矩阵反推技术的精确度提高、普适性扩大。
发明内容
为了解决以上问题,本发明提供一种公交出行OD矩阵反推的组合方法,充分考虑传统两种公交出行OD矩阵反推技术的优缺点,采用惯性权重线性递减的粒子群算法和 BP神经网络等方法将两种OD反推方法组合运用,建立一种充分利用已有数据,综合考 虑多种站点客流发生影响因素的精确度高、普适性广的公交出行OD矩阵反推的组合方 法,具有重要的现实意义,为达此目的,本发明提供一种公交出行OD矩阵反推的组合 方法,其特征在于:该方法包括依次进行的收集基本相关信息步骤、确定基于乘客出行 行为特征的OD反推矩阵步骤、确定基于站点附近用地性质的OD反推矩阵步骤、确定使 用粒子群算法计算两种反推方法对应的权重步骤、确定使用BP神经网络预测公交出行 OD反推矩阵最终结果步骤;
步骤一所述收集基本相关信息步骤中,具体收集以下数据:单条公交线路的一定量的 历史数据,对于每一组历史数据应当包括:线路单方向运行各停靠站点的序号i、各站点上 车人数yi、各站点下车人数zi、各站点附近400米范围内各用地性质面积、人工调查得到 的公交出行OD矩阵;
步骤二所述确定基于乘客出行行为特征的OD反推矩阵步骤中,根据乘客出行行为特 征,用乘客乘车站数来描述出行距离,基于乘客出行行为特征的OD矩阵中的元素可 用以下方法求得:
其中,zi为第i站下车的人数,Y(i,j)为在第i站上车、从第j-1站到第j站过程中仍在公 交车上的乘客人数,为从第i站上车、在第j站下车的乘客人数;
步骤三所述确定基于站点附近用地性质的OD反推矩阵步骤中,站点j的吸引能力tj由 下式计算得到:
其中,sjl表示第j个车站以400米为半径的领域内的编号为l的用地性质的面积,Sj表 示400米内各类用地的总面积,dl表示编号l的用地性质对客流的吸引系数,基于站点附近用地性质的OD矩阵中的元素用以下方法求得:
步骤四所述确定使用粒子群算法计算两种反推方法对应的权重步骤中,利用惯性权重 线性递减的粒子群算法PSO-W计算两种反推方法得到的OD矩阵对目标矩阵的影响权重;
步骤五所述确定使用BP神经网络预测公交出行OD反推矩阵最终结果步骤中,基于已有数据建立面向公交出行OD矩阵的BP神经网络模型,输入层由对已有数据采用基于 乘客出行行为特征的OD矩阵反推方法得到的带有权重系数的OD矩阵和对已有数 据采用基于站点附近用地性质的OD矩阵反推方法得到的带有权重系数的OD矩阵等 两部分构成,模型的隐藏层节点数由实际测试过程中取得最佳效果来确定,权重系数初始 值随机生成,模型的输出层即为所要求的公交出行OD矩阵。使用和的部 分数据训练该神经网络,即可建立相应的可预测公交出行OD矩阵的神经网络模型。
作为本发明进一步改进,步骤三采用迭代法对得到的基于站点附近用地性质的公交出行 OD矩阵进行迭代,具体流程如下:
1)计算在第i站上车的乘客人数
2)计算在第j站下车的乘客人数
3)设k为迭代次数,令
4)存在特殊情况:当yi=0时,当zj=0时,
5)若对任意的i、j,有满足误差范围时,停止迭代 过程,同时如果不满足,那么k=k+1,回到步骤3,继续进行迭代。、
作为本发明进一步改进,步骤四粒子群算法的建立过程如下:
1)建立关于矩阵的权重系数k1、矩阵的权重系数k2的目标函数:
2)权重系数k1、k2的约束条件:
3)PSO-W的进化过程:
viD(t+1)=ωviD(t)+c1r1[piD(t)-xiD(t)]+c2r2[pgD(t)-xiD(t)]
xiD(t+1)=xiD(t)+viD(t+1)
其中t表示当前迭代步数,ω表示惯性权重,viD(t)表示第t次迭代粒子i飞行速度适量 的第D维分量,xiD(t)表示第t次迭代粒子i位置矢量的第D维分量,c1、c2表示学习因子, 取定值c1=c2=2,r1、r2是介于[0,1]区间内均匀分布的伪随机数,pgD(t)表示群体内所有粒子 经过的最好位置,xiD(t)表示粒子i经过的最好位置;
4)惯性权重:采用线性变化权重,使惯性权重随迭代次数从最大值ωmax线性减小到最小 值ωmin
其中ωmax、ωmin取经验值ωmax=0.9、ωmin=0.4;
5)编码:目标函数问题维数为2,每个粒子为2维的实数向量;
6)初始化范围:根据目标函数自变量的取值范围,将初始化范围设置为[0,1],将最大速 度值设定为Vmax=2;
7)种群大小:取经验种群大小值为20;
8)停止准则:设定最大迭代次数tmax=1000次;
9)邻域拓扑结构:使用星形拓扑结构;
求解后即可得到矩阵的权重系数k1、矩阵的权重系数k2。
本发明与现有技术相比,具有以下优点:
本发明分析了影响站点客流发生的主要因素,针对乘客出行行为特征和站点附近用地 性质,采用了两种OD反推方法。基于乘客出行行为特征的OD矩阵反推方法用改进的泊松分布模型揭示乘客出行行为的内在规律;基于站点附近用地性质的OD矩阵反推方法用定量地表示站点的吸引能力大小。本发明针对两种方法的优势与不足,提出了一种综合两种方法优势的新方法。
本发明提出了针对不同OD反推方法所得到矩阵的组合运用方法。不同的OD反推方法所得到的矩阵由于考虑因素不同,不能进行简单的取舍,采用惯性权重线性递减的粒子群算法得到不同矩阵的权重系数大小,以此定量衡量各种影响因素对于公交出行OD矩阵的影响程度。建立BP神经网络模型,用带有权重系数的OD矩阵和真实OD出行矩阵进行 训练,能够提高公交出行OD反推结果的精确度。
附图说明
图1是本发明本发明方法的流程图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供一种公交出行OD矩阵反推的组合方法,充分考虑传统两种公交出行OD矩阵反推技术的优缺点,采用惯性权重线性递减的粒子群算法和BP神经网络等方法将两种OD反推方法组合运用,建立一种充分利用已有数据,综合考虑多种站点客流发生影 响因素的精确度高、普适性广的公交出行OD矩阵反推的组合方法,具有重要的现实意 义。
如图1所示为公交出行OD矩阵反推的组合方法的总体流程图。下面结合图1对本发明方法作更进一步的说明。
公交出行OD矩阵反推的组合方法充分考虑传统两种公交出行OD矩阵反推技术的优 缺点,采用惯性权重线性递减的粒子群算法和BP神经网络等方法将两种OD反推方法组合运用,建立一种充分利用已有数据,综合考虑多种站点客流发生影响因素的精确度高、普适性广的公交出行OD矩阵反推的组合方法。该方法包括依次进行的五个步骤:步骤一,收集基本相关信息步骤、步骤二,确定基于乘客出行行为特征的OD反推矩阵步骤、步骤 三,确定基于站点附近用地性质的OD反推矩阵步骤、步骤四,确定使用粒子群算法计算 两种反推方法对应的权重步骤、步骤五,确定使用BP神经网络预测公交出行OD反推矩 阵最终结果步骤;
步骤一本发明方法的收集基本相关信息步骤,可后续步骤提供数据支持。具体收集以 下数据:单条公交线路的一定量的历史数据,对于每一组历史数据应当包括:线路单方向 运行各停靠站点的序号i、各站点上车人数yi、各站点下车人数zi、各站点附近400米范围内各用地性质面积、人工调查得到的公交出行OD矩阵;
步骤二确定基于乘客出行行为特征的OD反推矩阵步骤为本发明的基础之一,根据乘 客出行行为特征,用乘客乘车站数来描述出行距离,基于乘客出行行为特征的OD矩阵中的元素可用以下方法求得:
其中,zi为第i站下车的人数,Y(i,j)为在第i站上车、从第j-1站到第j站过程中仍在公 交车上的乘客人数,为从第i站上车、在第j站下车的乘客人数。
步骤三确定基于站点附近用地性质的OD反推矩阵步骤为本发明的基础之一,站点j 的吸引能力tj由下式计算得到:
其中,sjl表示第j个车站以400米为半径的领域内的编号为l的用地性质的面积,Sj表 示400米内各类用地的总面积,dl表示编号l的用地性质对客流的吸引系数。基于站点附近用地性质的OD矩阵中的元素可用以下方法求得:
为提高精算精度,采用迭代法对得到的基于站点附近用地性质的公交出行OD矩阵进 行迭代,具体流程如下:
1)计算在第i站上车的乘客人数
2)计算在第j站下车的乘客人数
3)设k为迭代次数,令
4)存在特殊情况:当yi=0时,当zj=0时,
5)若对任意的i、j,有满足误差范围时,停止迭代 过程,同时如果不满足,那么k=k+1,回到步骤3,继续进行迭代。
步骤四确定使用粒子群算法计算两种反推方法对应的权重步骤是本发明的核心步骤之 一。利用惯性权重线性递减的粒子群算法(PSO-W)计算两种反推方法得到的OD矩阵对 目标矩阵的影响权重,粒子群算法的建立过程如下:
1)建立关于矩阵的权重系数k1、矩阵的权重系数k2的目标函数:
2)权重系数k1、k2的约束条件:
3)PSO-W的进化过程:
viD(t+1)=ωviD(t)+c1r1[piD(t)-xiD(t)]+c2r2[pgD(t)-xiD(t)]
xiD(t+1)=xiD(t)+viD(t+1)
其中t表示当前迭代步数,ω表示惯性权重,viD(t)表示第t次迭代粒子i飞行速度适量 的第D维分量,xiD(t)表示第t次迭代粒子i位置矢量的第D维分量,c1、c2表示学习因子, 取定值c1=c2=2,r1、r2是介于[0,1]区间内均匀分布的伪随机数,pgD(t)表示群体内所有粒子 经过的最好位置,xiD(t)表示粒子i经过的最好位置。
4)惯性权重:采用线性变化权重,使惯性权重随迭代次数从最大值ωmax线性减小到最小 值ωmin
其中ωmax、ωmin取经验值ωmax=0.9、ωmin=0.4。
5)编码:目标函数问题维数为2,每个粒子为2维的实数向量;
6)初始化范围:根据目标函数自变量的取值范围,将初始化范围设置为[0,1],将最大速 度值设定为Vmax=2;
7)种群大小:取经验种群大小值为20;
8)停止准则:设定最大迭代次数tmax=1000次;
9)邻域拓扑结构:使用星形拓扑结构。
求解后即可得到矩阵的权重系数k1、矩阵的权重系数k2。
步骤五确定使用BP神经网络预测公交出行OD反推矩阵最终结果步骤是本发明的核 心步骤之一,基于历史数据建立面向公交出行OD矩阵的BP神经网络模型,输入层由对已有数据采用基于乘客出行行为特征的OD矩阵反推方法得到的带有权重系数的OD矩阵和对已有数据采用基于站点附近用地性质的OD矩阵反推方法得到的带有权重系数的OD矩阵等两部分构成。模型的隐藏层节点数由实际测试过程中取得最佳效果来确定,权重系数初始值随机生成。模型的输出层即为本发明所要求的公交出行OD矩阵。使 用和的部分数据训练该神经网络,即可建立相应的可预测公交出行OD矩 阵的神经网络模型。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制, 而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (3)
1.一种公交出行OD矩阵反推的组合方法,其特征在于:该方法包括依次进行的收集基本相关信息步骤、确定基于乘客出行行为特征的OD反推矩阵步骤、确定基于站点附近用地性质的OD反推矩阵步骤、确定使用粒子群算法计算两种反推方法对应的权重步骤、确定使用BP神经网络预测公交出行OD反推矩阵最终结果步骤;
步骤一所述收集基本相关信息步骤中,具体收集以下数据:单条公交线路的一定量的历史数据,对于每一组历史数据应当包括:线路单方向运行各停靠站点的序号i、各站点上车人数yi、各站点下车人数zi、各站点附近400米范围内各用地性质面积、人工调查得到的公交出行OD矩阵;
步骤二所述确定基于乘客出行行为特征的OD反推矩阵步骤中,根据乘客出行行为特征,用乘客乘车站数来描述出行距离,基于乘客出行行为特征的OD矩阵中的元素可用以下方法求得:
其中,zi为第i站下车的人数,Y(i,j)为在第i站上车、从第j-1站到第j站过程中仍在公交车上的乘客人数,为从第i站上车、在第j站下车的乘客人数;
步骤三所述确定基于站点附近用地性质的OD反推矩阵步骤中,站点j的吸引能力tj由下式计算得到:
其中,sjl表示第j个车站以400米为半径的领域内的编号为l的用地性质的面积,Sj表示400米内各类用地的总面积,dl表示编号l的用地性质对客流的吸引系数,基于站点附近用地性质的OD矩阵中的元素用以下方法求得:
步骤四所述确定使用粒子群算法计算两种反推方法对应的权重步骤中,利用惯性权重线性递减的粒子群算法PSO-W计算两种反推方法得到的OD矩阵对目标矩阵的影响权重;
步骤五所述确定使用BP神经网络预测公交出行OD反推矩阵最终结果步骤中,基于已有数据建立面向公交出行OD矩阵的BP神经网络模型,输入层由对已有数据采用基于乘客出行行为特征的OD矩阵反推方法得到的带有权重系数的OD矩阵和对已有数据采用基于站点附近用地性质的OD矩阵反推方法得到的带有权重系数的OD矩阵等两部分构成,模型的隐藏层节点数由实际测试过程中取得最佳效果来确定,权重系数初始值随机生成,模型的输出层即为所要求的公交出行OD矩阵。使用和的部分数据训练该神经网络,即可建立相应的可预测公交出行OD矩阵的神经网络模型。
2.根据权利要求1所述的一种公交出行OD矩阵反推的组合方法,其特征在于:步骤三采用迭代法对得到的基于站点附近用地性质的公交出行OD矩阵进行迭代,具体流程如下:
1)计算在第i站上车的乘客人数
2)计算在第j站下车的乘客人数
3)设k为迭代次数,令k=1;
4)存在特殊情况:当yi=0时,当zj=0时,
5)若对任意的i、j,有满足误差范围时,停止迭代过程,同时如果不满足,那么k=k+1,回到步骤3,继续进行迭代。
3.根据权利要求1所述的一种公交出行OD矩阵反推的组合方法,其特征在于:步骤四粒子群算法的建立过程如下:
1)建立关于矩阵的权重系数k1、矩阵的权重系数k2的目标函数:
2)权重系数k1、k2的约束条件:
3)PSO-W的进化过程:
viD(t+1)=ωviD(t)+c1r1[piD(t)-xiD(t)]+c2r2[pgD(t)-xiD(t)]
xiD(t+1)=xiD(t)+viD(t+1)
其中t表示当前迭代步数,ω表示惯性权重,viD(t)表示第t次迭代粒子i飞行速度适量的第D维分量,xiD(t)表示第t次迭代粒子i位置矢量的第D维分量,c1、c2表示学习因子,取定值c1=c2=2,r1、r2是介于[0,1]区间内均匀分布的伪随机数,pgD(t)表示群体内所有粒子经过的最好位置,xiD(t)表示粒子i经过的最好位置;
4)惯性权重:采用线性变化权重,使惯性权重随迭代次数从最大值ωmax线性减小到最小值ωmin
其中ωmax、ωmin取经验值ωmax=0.9、ωmin=0.4;
5)编码:目标函数问题维数为2,每个粒子为2维的实数向量;
6)初始化范围:根据目标函数自变量的取值范围,将初始化范围设置为[0,1],将最大速度值设定为Vmax=2;
7)种群大小:取经验种群大小值为20;
8)停止准则:设定最大迭代次数tmax=1000次;
9)邻域拓扑结构:使用星形拓扑结构;
求解后即可得到矩阵的权重系数k1、矩阵的权重系数k2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811285100.8A CN109447352B (zh) | 2018-10-31 | 2018-10-31 | 一种公交出行od矩阵反推的组合方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811285100.8A CN109447352B (zh) | 2018-10-31 | 2018-10-31 | 一种公交出行od矩阵反推的组合方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109447352A true CN109447352A (zh) | 2019-03-08 |
CN109447352B CN109447352B (zh) | 2021-04-30 |
Family
ID=65550328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811285100.8A Active CN109447352B (zh) | 2018-10-31 | 2018-10-31 | 一种公交出行od矩阵反推的组合方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447352B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282165A (zh) * | 2021-12-10 | 2022-04-05 | 长三角信息智能创新研究院 | 双层深度学习模型反推od矩阵的方法、装置以及存储介质 |
CN116703008A (zh) * | 2023-08-02 | 2023-09-05 | 山东高速股份有限公司 | 一种用于新建公路的交通出行量预测方法、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140035921A1 (en) * | 2012-07-31 | 2014-02-06 | Xerox Corporation | Analysis and visualization of passenger movement in a transportation system |
CN106295886A (zh) * | 2016-08-12 | 2017-01-04 | 梁广俊 | 基于混沌理论的改进模糊神经网络公交车智能调度方法 |
CN106504525A (zh) * | 2016-10-12 | 2017-03-15 | 电子科技大学 | 基于ic卡数据的od矩阵生成技术及其应用研究 |
CN106683404A (zh) * | 2016-12-06 | 2017-05-17 | 华南理工大学 | 一种通过手机定位技术获取公交客流od的方法 |
-
2018
- 2018-10-31 CN CN201811285100.8A patent/CN109447352B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140035921A1 (en) * | 2012-07-31 | 2014-02-06 | Xerox Corporation | Analysis and visualization of passenger movement in a transportation system |
CN106295886A (zh) * | 2016-08-12 | 2017-01-04 | 梁广俊 | 基于混沌理论的改进模糊神经网络公交车智能调度方法 |
CN106504525A (zh) * | 2016-10-12 | 2017-03-15 | 电子科技大学 | 基于ic卡数据的od矩阵生成技术及其应用研究 |
CN106683404A (zh) * | 2016-12-06 | 2017-05-17 | 华南理工大学 | 一种通过手机定位技术获取公交客流od的方法 |
Non-Patent Citations (1)
Title |
---|
付旻等: "多分类支持向量机在公交换乘识别中的应用", 《哈尔滨工业大学学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114282165A (zh) * | 2021-12-10 | 2022-04-05 | 长三角信息智能创新研究院 | 双层深度学习模型反推od矩阵的方法、装置以及存储介质 |
CN114282165B (zh) * | 2021-12-10 | 2023-04-07 | 长三角信息智能创新研究院 | 双层深度学习模型反推od矩阵的方法、设备以及存储介质 |
CN116703008A (zh) * | 2023-08-02 | 2023-09-05 | 山东高速股份有限公司 | 一种用于新建公路的交通出行量预测方法、设备及介质 |
CN116703008B (zh) * | 2023-08-02 | 2023-10-31 | 山东高速股份有限公司 | 一种用于新建公路的交通出行量预测方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109447352B (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107767659B (zh) | 基于arima模型的共享单车吸引量和发生量预测方法 | |
Kondor et al. | Estimating savings in parking demand using shared vehicles for home–work commuting | |
Cascetta et al. | Dynamic estimators of origin-destination matrices using traffic counts | |
CN110288212B (zh) | 基于改进的mopso的电动出租车新建充电站选址方法 | |
CN110816549A (zh) | 能源管理装置、模型管理方法以及计算机程序 | |
CN105679102A (zh) | 一种全国飞行流量时空分布预测推演系统及方法 | |
CN111008505A (zh) | 城市坡道行驶工况构建方法及应用 | |
CN109840272B (zh) | 一种共享电动汽车站点用户需求预测方法 | |
CN114881356A (zh) | 基于粒子群算法优化bp神经网络的城市交通碳排预测方法 | |
CN104320789A (zh) | 一种基于博弈论的车联网rsu最优配置方法 | |
CN111291321A (zh) | 基于大数据的城市交通模型构建方法 | |
CN114548811A (zh) | 一种机场可达性的检测方法、装置、电子设备及存储介质 | |
CN109447352A (zh) | 一种公交出行od矩阵反推的组合方法 | |
Kang et al. | Potential of urban land use by autonomous vehicles: Analyzing land use potential in Seoul capital area of Korea | |
Yang et al. | Dynamic origin-destination matrix estimation based on urban Rail transit AFC data: deep optimization framework with forward passing and backpropagation techniques | |
CN111738527B (zh) | 一种基于热点探测模型的城市交通小区划分方法 | |
CN111126878B (zh) | 一种基于生态指数的城市交通运行评价方法 | |
Nobel et al. | Network assignment calibration of BPR function: a case study of Metro Manila, the Philippines | |
CN112183871A (zh) | 基于空气指数的城市交通诱导系统 | |
CN113705891A (zh) | 基于mra-bas-bp算法的城市商办综合体建筑停车需求预测方法 | |
CN113743789A (zh) | 基于城市建成环境因素的共享单车空间分布量估计方法 | |
Celiński et al. | Sustainable development of the transport system through rationalization of transport tasks using a specialised travel planner | |
Vanderwoerd | Examining the effects of autonomous vehicle ride sharing services on fixed-route public transit | |
CN113343358B (zh) | 一种考虑道路信息的电动汽车充电负荷时空分布建模方法 | |
Timofeev et al. | Development and Research of Transport Speed Models Using the Methods of Geo-Statistical Data Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |